爬虫技术入门指南

一、爬虫概述

爬虫又称网络蜘蛛、网络机器人，网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：

（1）通用网络爬虫（Scalable Web Crawler）：抓取互联网上所有数据，爬取对象从一些种子 URL 扩充到整个 Web，主要为门户站点搜索引擎和大型 Web 服务提供商采集数据，是捜索引擎抓取系统（Baidu、Google、Yahoo 等）的重要组成部分。

（2）聚焦网络爬虫（Focused Crawler）：抓取互联网上特定数据，按照预先定义好的主题有选择地进行网页爬取的一种爬虫，将爬取的目标网页定位在与主题相关的页面中，选择性地爬取特定领域信息。

（3）增量式网络爬虫（Incremental Web Crawler）：抓取互联网上刚更新的数据，采取增量式更新和只爬取新产生的或者已经发生变化网页，它能够在一定程度上保证所爬取的页面是尽可能新的页面，减少时间和空间上的耗费。

（4）深层网络爬虫（Deep Web Crawler）：表层网页（Surface Web）是指传统搜索引擎可以索引的页面，以超链接可以到达的静态网页为主构成的 Web 页面；深层网页（Deep Web）是指不能通过静态链接获取的、隐藏在搜索表单后的，只有用户提交一些关键词才能获得的 Web 页面。在互联网中，深层页面的数量往往比表层页面的数量要多很多。

爬虫程序能模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频、音频） 等爬取到本地，进而提取自己需要的数据，并存放起来使用，每一个程序都有自己的规则，网络爬虫也不例外，它会根据人们施加的规则去采集信息，这些规则为网络爬虫算法，根据使用者的目的，爬虫可以实现不同的功能，但所有爬虫的本质，都是方便人们在海量的互联网信息中找到并下载到自己要的那一类，提升信息获取效率。

爬虫采集的都是正常用户能浏览到的内容，而非所谓的 ”入侵服务器“，常说高水准者可 ”所见即所得“，意为只要是能看的内容就能爬取到，希望各位都能达到这个程度~

二、爬虫的用途

现如今大数据时代已经到来，网络爬虫技术成为这个时代不可或缺的一部分，企业需要数据来分析用户行为、自己产品的不足之处以及竞争对手的信息等，而这一切的首要条件就是数据的采集。网络爬虫的价值其实就是数据的价值，在互联网社会中，数据是无价之宝，一切皆为数据，谁拥有了大量有用的数据，谁就拥有了决策的主动权。

网络爬虫目前主要的应用领域如：搜索引擎、数据采集、数据分析、信息聚合、竞品监控、认知智能、舆情分析等等，爬虫业务相关的公司数不胜数，如百度、谷歌、天眼查、企查查、新榜、飞瓜等等，在大数据时代，爬虫的应用范围广、需求大，简单举几个贴近生活的例子：

· 求职需求：获取各个城市的招聘信息及薪资标准，方便筛选出适合自己的；

· 租房需求：获取各个城市的租房信息，以便挑选出心仪的房源；

· 美食需求：获取各个地方的好评美食，让吃货不迷路；

· 购物需求：获取各个商家同一个商品的价格及折扣信息，让购物更实惠；

· 购车需求：获取心仪车辆近年的价格波动，以及不同渠道各车型的价格，助力挑选爱车。